<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Documentos-Publicos on Python Brasil — Aprenda Python em Português</title>
    <link>https://python.dev.br/tags/documentos-publicos/</link>
    <description>Recent content in Documentos-Publicos on Python Brasil — Aprenda Python em Português</description>
    <generator>Hugo</generator>
    <language>pt-br</language>
    <lastBuildDate>Mon, 18 May 2026 04:13:15 +0000</lastBuildDate>
    <atom:link href="https://python.dev.br/tags/documentos-publicos/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>RAG com Documentos Públicos em Python</title>
      <link>https://python.dev.br/blog/rag-documentos-publicos-python/</link>
      <pubDate>Mon, 18 May 2026 00:00:00 +0000</pubDate>
      <guid>https://python.dev.br/blog/rag-documentos-publicos-python/</guid>
      <description>&lt;p&gt;Projetos de &lt;strong&gt;RAG (Retrieval-Augmented Generation)&lt;/strong&gt; são uma das formas mais práticas de transformar Python e IA em algo útil para empresas brasileiras. Em vez de pedir para um LLM responder com base apenas no que ele já sabe, você cria um pipeline que busca trechos relevantes em documentos próprios ou públicos e envia esses trechos como contexto para o modelo.&lt;/p&gt;&#xA;&lt;p&gt;Isso muda a qualidade do projeto. Um chatbot genérico que responde sobre qualquer coisa é fácil de demonstrar, mas difícil de confiar. Um assistente que consulta PDFs, planilhas, atas, normas, editais ou dados públicos brasileiros consegue responder com mais precisão, citar fontes e mostrar valor de negócio. Para portfólio, carreira e automação interna, RAG é um dos projetos mais fortes que um desenvolvedor Python pode construir em 2026.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
